CN110709789A - 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 - Google Patents

用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 Download PDF

Info

Publication number
CN110709789A
CN110709789A CN201880038516.1A CN201880038516A CN110709789A CN 110709789 A CN110709789 A CN 110709789A CN 201880038516 A CN201880038516 A CN 201880038516A CN 110709789 A CN110709789 A CN 110709789A
Authority
CN
China
Prior art keywords
data
subsystem
input
scada
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880038516.1A
Other languages
English (en)
Other versions
CN110709789B (zh
Inventor
J.奥特威尔
M.奥尔基斯
M.拉扎尔齐克
O.阿佩尔多恩
M.艾萨
于蓉蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Energy Co ltd
ABB Schweiz AG
Original Assignee
ABB Schweiz AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ABB Schweiz AG filed Critical ABB Schweiz AG
Publication of CN110709789A publication Critical patent/CN110709789A/zh
Application granted granted Critical
Publication of CN110709789B publication Critical patent/CN110709789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及用于监测可再生发电装置或微电网内的子系统的状况的方法和设备，其使用监视控制和数据获取（SCADA）系统来允许装置运营者经由人机接口与装置交互并且监测装置。

Description

用于监测可再生发电装置或微电网内的子系统的状况的方法 和设备
本发明涉及一种用于监测可再生发电装置或微电网内的子系统的状况的方法和设备，其使用监视控制和数据获取（SCADA）系统和/或本地部署在装置（plant）级或部署在云体系结构中的IT服务器，来允许装置运营者经由人机接口与装置交互并且监测装置。
背景技术
由组件故障引起的计划外停机能够对装置运营者造成巨大的经济惩罚，既是在生产损失方面，也是因为通常必须快速部署资源以识别和纠正故障。因此，通过实现诸如基于状况的维护之类的操作和维护策略，连续监测各种系统、子系统和组件的健康的工具提供降低工业装置的寿命周期成本的前景。为了成功，状况监测系统必须是准确的。漏警（missed alarm）（其中状况监测系统没有检测到在组件中发生故障）能够潜在地导致组件故障、计划外停机和关联的成本。误警（false alarm）（其中状况监测系统指示其中没有故障存在的组件中的故障）也能够增加装置寿命周期成本，因为实现了不必要的维护动作。漏警和误警均具有以下影响：削弱最终用户对状况监视结果的信任度，降低基于状况监测系统提供的证据来进行维护判定的可能性。为了增加状况监测系统的精度，可采用附加的专用传感器、数据获取、通信和分析步骤。但是，实现这类高级解决方案的成本能够是相当大的，潜在地完全抵消从采用状况监测系统获得的任何益处。
各种方法要求附加的数据获取、处理和通信设备，以便正确起作用。EP 3016277A1描述一种测量和估计光伏装置中的操作子组合件的量值并且将它们与来自参考模型的参考值进行比较的方法。如果超过阈值，则故障消息由本地代理发送给本地代理管理器，所述本地代理管理器然后通过与来自其他本地代理的相似量值进行比较来检验故障。通过在本地代理处执行分析而靠近被监测对象来获取和处理数据获取，该发明要求用于数据获取、处理和通信的许多附加设备。这些附加设备增加状况监测系统的总成本，潜在地抵消所得到的任何益处。
第二选项是更好地使用为了除状况监测之外的目的（诸如监测、控制或保护）已经从装置获取的数据。监视控制和数据获取（SCADA）系统用来允许装置运营者经由人机接口来与装置交互并且监测装置，所述人机接口描述位于遍布整个装置的诸如传感器之类的现场设备与诸如可编程逻辑控制器之类的各种输入/输出设备之间的链路。这类系统允许用户调整控制器设置点以及监测通常与不再处于预定义范围内的测量值关联的简单警报。因此，与装置的操作和性能有关的数据由SCADA系统来捕获。通过跟踪性能的降级，潜在地有可能确立系统的健康；可用于基于状况的维护策略中的信息。
从专利描述US 8452461 B2，给出具体监测装置中生成的DC和AC功率两者的用于光伏装置的监视控制和数据获取系统的已知示例。该方法包括关于数据的存储和传输的论述，虽然没有明确论述用于使用所获取的数据进行状况监测的方法。
在某些应用中，已经利用SCADA数据来确立装置的健康。通常，这些分析基于标准关键性能指标，例如在光伏应用中，通常基于所测量参数的简单比率来计算的简单度量，诸如性能比或可用性。如前面所述，许多SCADA解决方案包括通常与不再处于预定义范围内的测量值关联的自动警报功能性；这类功能性更多地与保护而不是跟踪一般降级相关联。更高级解决方案允许运营者比较资产组合中的多个装置的性能。再次，先前所述的简单关键性能指标和警报通常形成这个比较的基础。
上述监测方法基本上基于使用特定传感器来监测装置中的某个组件或子系统，以便试图并且查明所述组件或子系统的健康。在很大程度上忽略了作为整体的系统的性能和连接元件的影响。这种受限的观点能够导致误警和漏警，因为故障特征常常受到组件之间的交互的影响。在某些应用中，特别是在工艺装置（process plant）中，应用多元统计方法来对装置中的不同测量之间的相关性进行建模。当测量的新集合不遵守先前训练的统计模型，则指示警报。但是，由于这些方法的输出通常是无量纲的，所以它们可难以与系统中的当前和将来健康状态关联，因此它们在基于状况的维护策略中的使用是有意义的（non-trivial）。此外，该方法通常假定装置内的信号是线性相关的，而实际上情况通常不是这样。这能够导致漏警和误警，特别是在激发非线性动态的状况中，诸如在设置点变化期间。两个上述限制尤其是通过如下事实而加剧：这些方法通常适用于组合装置中的全部可用测量以形成单个多元统计模型，其中没有考虑装置的拓扑和体系结构。这类方法可对装置内的各个组件中的细微变化不太敏感，并且可以是不准确的，因为线性的假设不再有效。另外，组合全部可用测量以得到装置的单个数据驱动模型能够导致与根本原因分析关联的挑战；虽然方法可以能够识别装置中的问题，但是它们不能够指出问题的原因。这能够导致正确规划和执行维护动作方面的挑战，从而导致增加的成本和停工期。
从专利描述CN 104571099 A，描述一种用于分析光伏装置的状况的方法，其包括用于记录预测子系统、数据挖掘子系统和故障判定子系统的结果的子系统。系统包括用于改进系统的故障诊断精度的反馈系统。特别是，该方法描述了一种更新逻辑推理方法，其组合了人类知识和从数据提取的信息。现有技术中公知的这类方法与基于逐个部件相反，将装置作为整体考虑。因此，得到历史数据库中的相似组件或子系统的统计上显著的样本以便创建具有充分分辨率的逻辑判定支持系统是有挑战性的。
先前已经描述了基于数据驱动的建模方法的多个诊断系统，但是这些诊断系统一般不提供足够细节以便诊断系统内的各个组件的健康。
从专利描述CN 105071771 A，描述了一种使用在正常状况下操作的模拟模型来训练径向基函数神经网络的方法。随后，所测量的数据被用于神经网络中，并且将估计值与测量值进行比较。指示存在不一致（discrepancy）和故障的位置。通过使用模拟模型来训练网络，该方法将仅与原始模型一样准确；任何未经建模的动态将引起警报。这可由于更大建模复杂度而增加创建系统的复杂度，或者降低系统的精度。
从专利描述US 20140188410 A1，描述了一种创建光伏系统的改进模型的方法，该方法通过比较由模型预报的来自系统的功率输出与针对多个系统测量的功率输出之间的比率，去除统计异常值，并且然后使用剩余数据来更新使用多元回归的模型来进行。通过执行这种分析，该方法允许识别系统的平均行为。但是，这种方法将不允许计入面板的细微的各个行为。应当注意，所述方法不是明确聚焦于状况监测。然而，如果该方法用于这类目的，则其将可能导致误警和漏警。
从专利描述CN 102566435 A，描述一种使用卡尔曼滤波过程来组合发电站的总辐射、温度、风速、逆变器直流（DC）输入电压、逆变器DC输入电流、DC输入功率、逆变器交流（AC）输出功率以便识别发电站的功率线路中的问题的方法。再次，该方法将装置看作整体的实体，而没有考虑装置中的各个子系统。这能够导致根本原因分析中的挑战。
在专利描述WO 2016/077997中，公开一种使用SCADA数据来监测风力涡轮机的方法。该方法涉及在组件和系统或总体级均利用历史SCADA数据作为输入以及从维护日志或类似物得到的故障状态作为输出来训练模型。新引入的数据被输入到经训练的总体模型中；如果由这个顶级模型指示故障，则新的SCADA数据被输入到组件级模型，以查明问题的根本原因。所述方法利用来自其中给出涡轮机的健康状况的风力涡轮机报告的信息。虽然将数据链接到所观测的故障状态是用于增加对状况监测系统的信任度的有力方法，但是这类报告不总是易于可获得的，或者可能采取不与SCADA数据普通地集成的格式，因此增加配置状况监测系统的复杂度。最后，通过按照二级分层方式进行操作，其中最初仅评估系统或总体级模型，其中只有如果总体级发信号通知警报才评估组件级模型，该方法可能对于在组件级发生但是对系统总体模型的输入或输出不具有显著影响的特定故障不敏感。
从专利描述WO 2017/035629，公开了一种用于生成对太阳能发电厂（solar powerplant）的太阳能功率输出预测的方法。该方法涉及在训练模式中使用处理器，以便使用包括太阳能发电厂的历史物理子系统输入数据和历史物理子系统预测的历史输入数据和历史输出数据来训练人工智能模型。随后，在运行时间模式中，将经训练的人工智能模型应用于包括太阳能发电厂的当前物理子系统输入数据和当前物理子系统预测的当前输入数据，以便产生对于预定预测范围的太阳能功率输出预测。基本上公开一种用于太阳能功率预测的混合物理和人工智能系统。物理子系统实现天气研究和预测以及其他数值天气预报模型、卫星影像处理模型、云跟踪模型和太阳能发电厂模型，并且可包括其他物理模型组件。人工智能子系统实现自回归整合移动平均（“ARIMA”）、回归和其他统计方法以及人工智能方法，包括人工神经网络（“ANN”）、支持向量机（“SVM”）以及其他方法。物理子系统的输出充当对人工智能子系统的输入。通过结合人工智能子系统，可最小化从物理模型得到的太阳能功率输出预测与在实践中实际观测的太阳能功率输出之间的不一致。专利描述WO 2017/035629没有描述从可用数据自动识别物理子系统的输入和输出以及物理子系统内包含的模型的方法。定义哪种数据可被看作是输入数据以及哪种数据可被看作是输出数据并不总是微不足道的实践。通常在现有技术中，手动执行输入数据和输出数据的选择。手动执行这类动作能够是极费时、劳动密集的任务，其具有人为差错的高概率。在可包含大量（manymultiples of）面板、组串（string）、逆变器的大型公用事业级装置的情况中尤其是这样。还应当注意，专利描述WO 2017/035629中描述的方法不是明确聚焦于状况监测，然而它确实公开在预测误差增加到高于某个极限或阈值时通过向经授权的运营者发送文本消息或电子邮件来告知经授权的运营者的步骤。这个步骤的目标将会是向运营者提供统计模型应当基于最近数据来被重新训练的信息。如果所述方法被用于状况监测，则它会遭受各种缺陷。首先，虽然所述方式适合得到装置的总太阳能功率输出的改进预测，但是它不会用于准确估计来自装置内的每个单独子系统的电流输出。因此，使用所述方法，对装置内的各个组件的细微变化与物理子系统中的各个模型中的建模误差进行区分会是极为困难的。因此，如果该方法要用于状况监测，则其将对于在组件级发生但是对系统总体模型的输入或输出不具有显著影响的特定故障不敏感。此外，如果确定差错，则将不可能指出在该处问题已经发生的装置内的组件。这会导致正确规划和执行维护动作方面的挑战，从而导致增加的成本和停工期，特别是在具有大量组件的大型公用事业级装置中。
发明内容
在本发明中，公开了一种用于监测可再生发电和/或微电网系统（此后称作装置）内的子系统的状况的方法和设备。本发明包括如下新颖步骤：基于能够部署在基于云的体系结构中或者装置中的站点上的IT服务器和/或监视控制和数据获取数据（SCADA）来自动识别可再生发电和/或微电网系统中的子系统以及与所述子系统关联的数据，并且使用这个数据来训练装置中的每个子系统的数据驱动模型。子系统可以是单独组件（例如光伏面板）或者连接组件的集合（例如连接到逆变器DC/DC升压器级的多个光伏面板）。历史记录器（historian）数据用来训练描述装置中的每个子系统的输入到输出之间的关系的数据驱动模型。指示当历史记录器数据用作输入时的经训练的数据驱动模型的输出与从历史记录器数据得到的等效测量值之间的差异的一个或多个度量被计算。对于与子系统的经训练的数据驱动模型关联的每个度量来自动设置警报阈值。一旦装置内的子系统的数据驱动模型已经被训练，来自装置的新的监视控制和数据获取数据可用作对每个模型的输入，以便得到子系统输出的估计。指示当新数据用作输入时的经训练的数据驱动模型的输出与从新数据得到的等效测量值之间的差异的一个或多个度量被计算，并且与警报阈值进行比较。组合度量值，以便提供指示装置的当前健康的全局健康度量。在度量超过警报阈值的情况下，向最终用户指示故障事件，强调装置内正在呈现故障行为的子系统。此外，可随时间推移而趋向于每个子系统的度量值，并且度量的将来值被预报。可在本地装置级或者在机组（fleet）级两者评估度量及关联的故障事件。
根据权利要求1至11来实现根据本发明的方法。
本发明将用于可再生装置和/或微电网的状况监测的高级数据分析解决方案与监视控制和数据获取（SCADA）链接，所述可再生装置和/或微电网可由光伏面板、风力涡轮机、柴油发电机、存储设备组成。这样，装置的SCADA系统和状况监测系统不需要被单独配置。因此，与配置和调试状况监测系统关联的工程工作量降低。此外，因为已经结合到SCADA系统中的传感器和数据获取协议栈用来执行高级状况监测，所以附加状况监测传感器不是必要的。这降低监测解决方案的成本，降低附加传感器、布线和通信硬件的必要性。
本发明通过其将装置的结构结合到状况监测分析中来改进现有方式，这增加状况监测系统的精度。具体来说，该解决方案能够自动识别装置中的各个元件或子系统，并且构建描述输出如何随给定组件或子系统的输入而改变的数据驱动模型。因此，可采用定制的状况监测解决方案。更准确来说，通过采用数据驱动方法，状况监测系统能够计入所考虑的装置的细节。例如在光伏装置中，可计入诸如倾斜、跟踪器位置或大气透射率之类的变量，而无需由最终用户进行的详细配置。这降低误警或漏警的可能性。此外，与组合装置内的全部可用数据的数据驱动方式形成对照，本发明方法既是更鲁棒的，从而允许更好地计入装置动态中的非线性特性，又是更准确的，从而允许识别指示特定元件中的初期故障的细微变化，并且还更好地适合于根本原因分析。
类似地，由于装置设置点变化由SCADA系统来控制，所以这个信息可由状况监测系统来利用。因此，可在状况监测系统中计入操作状况的变化，降低误警的可能性。
另外，通过在状况监测系统中考虑装置结构，更易于提取与装置中利用的元件有关的信息，这又增加了比较来自整个机组的对等系统（like for like system）的容易性。这提高了可靠性和鲁棒性，因为从整个机组来优化的警报数据驱动模型和警报阈值可用于特定设备。由于同一SCADA系统可用于各种应用（例如风力、太阳能PV、水力等），所以对于拥有不同类型的装置的装置拥有者而言，更易于比较系统，因而允许他们优化他们对他们的机组的操作和维护，以及对他们的机组的维护，并且链接到所检测的故障的根本原因。
附图说明
图1是可用于本发明的实现中的设备的示意图连同可再生发电和/或微电网系统的图；
图2呈现根据本发明的第一实施例的被执行以用于监测可再生发电装置或微电网内的子系统的状况的操作的图解；
图3是可以包括装置的各个元件或子系统的示意表示，可以使用本发明来监测所述装置的状况；
图4呈现将由系统创建的输入-输出数据关系的图解；
图5呈现将由系统创建的另外的输入-输出数据关系的图解；
图6是根据本发明的第二实施例的可用于本发明的实现中的设备的示意图连同可再生发电和/或微电网系统的图，其强调可位于云计算解决方案的云中的功能模块和子模块。
具体实施方式
参照图1，描绘了本发明的物理实现的示例示意图。装置1由监视控制和数据获取或SCADA系统2来控制和监测。在这个所述的示例实施例中，我们描述光伏装置，但是本发明对使用SCADA系统来监测的任何系统是有效的。通过连接到多个输入输出设备的多个现场设备来测量与装置1的操作有关的数据，所述输入输出设备和所述现场设备在图1中均未描绘，所述多个输入输出设备又向SCADA系统2提供数据。SCADA系统连接到具有通信模块4和数据处理单元5的计算机设备3。在图1中没有描绘但是包括例如可采取历史记录器的形式的数据存储模块，并且其可被包含在SCADA系统内、计算机设备3中或者其他位置（例如外部存储设备）。在数据处理单元5中，实现模型训练模块6和状况评价模块7。模型训练模块6包含数据准备8、模型构造9和数据驱动训练10功能子模块。计算机设备3能够向用户界面11传递本发明方法的结果，在所述用户界面11中向用户呈现本发明的结果。用户界面11可以是监视器、打印机、移动设备（诸如智能电话或平板电脑）或者用于本发明的结果的呈现的任何有用的设备。另外，用户界面11可能可选地用于向计算机设备3提供参数集合P1、参数集合P2和/或参数集合P3，以供实现本发明方法使用。在该方法的对应步骤中解释参数集合P1、P2和P3的含意。
本发明方法的优选实施例根据图2中所示的步骤S1-S12来被实现。
步骤S1
参考图2中所示的系统，在步骤S1中，从例如可以采取历史记录器的形式的数据存储模块获取与装置1的操作有关的数据，该数据先前已经由连接到来自SCADA系统2的多个输入输出设备的多个现场设备测量。我们将把这个数据称作历史SCADA数据。这样，历史SCADA数据包含一个或多个信号，每个信号由一个或多个数据点形成。可能存储在光伏装置的这种历史SCADA数据内的信号的示例包括水平辐照度、环境温度、湿度、来自逆变器DC/DC升压器级的输出功率以及到电网的输出功率。这些信号可以从多个源获取，范围从诸如安装在气象站上或嵌入到诸如逆变器的设备中的那些传感器的专用传感器，直到从本地气象台导入的数据。本领域技术人员还将认识到，各种各样的其他信号也可能结合到SCADA系统中。历史SCADA数据被存储为标签或点，其将所记录的信号与装置1内的特定设备关联。作为这个步骤的输出，历史SCADA数据被传递给步骤S2。步骤S1由计算机设备3中的通信模块4来执行。历史SCADA数据被提供给数据处理单元5的模型训练模块6。
步骤S2
在步骤S2，从步骤S1传递的历史SCADA数据被自动分析，以便识别和去除明显错误或多余的数据，以及可选地允许用户经由参数集合P1选择要去除的信号和信号点，所述参数集合P1可选地经由用户接口11来被传递。步骤S2的结果输出是经清理的历史SCADA数据，其与历史SCADA数据相同除了其中明显错误、多余和用户选择数据被去除。可选参数集合P1包括经清理的历史SCADA数据的开始日期、经清理的历史SCADA数据的结束日期、要从经清理的历史SCADA数据省略的数据点的列表、要从经清理的历史SCADA数据省略的信号的列表、装置1的本地经度、装置1的本地纬度、最小信号可用性和最小产率。如所述的，这些参数中的每个参数被可选地提供给系统。
Figure 991970DEST_PATH_IMAGE001
数据点是否在训练测量的开始日期之前发生
Figure 722160DEST_PATH_IMAGE002
可选地，用户可经由参数集合P1来提供经清理的历史SCADA数据的开始日期。如果用户没有提供经清理的历史SCADA数据的开始日期，则将历史SCADA数据内具有最早关联时间戳的数据点作为经清理的历史SCADA数据的开始日期。从经清理的历史SCADA数据省略具有比经清理的历史SCADA数据的开始日期早的关联时间戳的任何数据点。
Figure 501897DEST_PATH_IMAGE001
数据点是否在训练测量的结束日期之后发生
Figure 959423DEST_PATH_IMAGE002
可选地，用户可经由参数集合P1来提供经清理的历史SCADA数据的结束日期。如果用户没有提供经清理的历史SCADA数据的结束日期，则将历史SCADA数据内具有最迟关联时间戳的数据点作为经清理的历史SCADA数据的结束日期。从经清理的历史SCADA数据省略具有比经清理的历史SCADA数据的结束日期迟的关联时间戳的任何数据点。
Figure 773796DEST_PATH_IMAGE003
数据点是否在夜间时段发生
Figure 596258DEST_PATH_IMAGE002
如果装置1的本地经度和装置1的本地纬度均已经经由参数集合P1被提供给系统或者被包含在历史SCADA数据内，则可对包含在历史SCADA数据内的每个时间戳来计算太阳高度角。当太阳高度角下降到低于阈值时，假定在装置位置是夜间。虽然阈值可以取任何值，但代表值将是-0.83度，其被取为缺省值。从经清理的历史SCADA数据中省略具有与夜间时段相关的关联时间戳的历史SCADA数据内的数据点。
数据发生的那一天是否包含明显错误数据
Figure 373776DEST_PATH_IMAGE002
可在逐日的基础上评估历史SCADA数据，以便查明在特定一天记录的数据是否包含一些明显异常。可对包含在历史SCADA数据内的每个信号执行以下检查。可应用现有技术中已知的多个数据清理方法，以便识别明显错误数据。为了清楚起见，我们提供可被执行以便识别明显错误数据的数据清理检查的五个示例：
1.包含在历史SCADA数据内的信号是否包含大于或等于阈值的多个相等非零值
Figure 42655DEST_PATH_IMAGE002
2.包含在历史SCADA数据内的信号是否具有多于六个连续数据点缺失
Figure 36018DEST_PATH_IMAGE002
3.对于给定一天，包含在历史SCADA数据内的信号是否包含一天中存储的数据点的中值数量（如通过考虑在由训练开始日期和训练结束日期给出的时段内在每天可用的数据点的数量来计算的）的少于50%
Figure 790348DEST_PATH_IMAGE002
4.包含在历史SCADA数据内的信号是否在所考虑的一天仅具有恒定零值（标准偏差是零，全部值等于零）
Figure 324097DEST_PATH_IMAGE002
5.包含在历史SCADA数据内的信号是否没有在所考虑的一天记录的任何数据点
Figure 847483DEST_PATH_IMAGE002
从经清理的历史SCADA数据中省略符合以上准则的历史SCADA数据内的任何数据点。本领域技术人员将知道，存在本领域技术人员已知的多种数据清理算法，可以在该步骤中利用这些算法而不会超出预期的发明的范围。
Figure 277327DEST_PATH_IMAGE001
信号是否给出与也包含在历史SCADA数据中的另一个信号相同的信息
Figure 597581DEST_PATH_IMAGE002
历史SCADA数据可包含提供与另一个信号相同的信息但是精度不同的多个信号。例如，从安装在装置的气象站测量的温度信号将比从本地气象站点测量的温度更加准确。包含在历史SCADA数据内的标签可自动相互比较。如果标签被识别为冗余，则从经清理的历史SCADA数据省略它。
Figure 872705DEST_PATH_IMAGE001
数据点是否与装置中的已知故障或不良性能有关
Figure 516175DEST_PATH_IMAGE002
如果历史SCADA数据包含与装置1中已经发生的事件（例如装置停工）有关的信息，则从经清理的历史SCADA数据省略具有与事件时段有关的关联时间戳的历史SCADA数据内的数据点。
Figure 913659DEST_PATH_IMAGE003
数据点是否已被用户选择以便去除
Figure 642580DEST_PATH_IMAGE002
可选地，用户可经由参数集合P1来定义包含在历史SCADA数据内的数据和数据点的列表。随后从经清理的历史SCADA数据省略这些数据和数据点。
本领域的技术人员将会认识到，存在现有技术中已知的可在步骤S2执行的另外的数据预处理步骤。步骤S2的输出是经清理的历史SCADA数据，所述经清理的历史SCADA数据与历史SCADA数据相同但是其中去除了明显错误、多余和用户选择的数据。
同样在步骤S2，包含在历史SCADA数据内的信号和数据可例如经由向下取样（downsampling）来被聚合。包含在历史SCADA数据内的信号和数据也可使用现有技术中已知的方法（诸如最邻近内插）来被时间同步。此外，可组合包含在历史SCADA数据内的信号和数据，以便生成新的导出的信号，例如组合电流和电压以创建功率信号，或者通过组合装置经度、装置纬度和历史时间戳，以便计算太阳方位角和太阳高度角。步骤S2的输出是经清理的历史SCADA数据，所述经清理的历史SCADA数据与历史SCADA数据相同但是其中去除了明显错误、多余和用户选择的数据，并且结合了聚合和/或导出的信号。在模型训练模块6的数据准备8功能子模块中执行步骤S2。经清理的历史SCADA数据被提供给模型构造9子模块。
步骤S3
在步骤S3，自动分析从步骤S2传递的经清理的历史SCADA数据，以便识别经清理的历史SCADA数据内的全部可能的输入-输出数据关系。经清理的历史SCADA数据包括将所记录的数据与装置1内的特定设备关联的信息。在步骤S3，系统自动分析存储在经清理的历史SCADA数据内的标签，以便按照元件（例如组串的数量、组串箱（stringbox）的数量、逆变器DC/DC升压器级的数量等）来识别装置1的物理结构。系统识别与天气有关的信号，并且还识别与装置中的每个元件相关的信号。如果与装置1中的特定元件关联的功率读数是可用的，则将这作为组件的输出信号。系统还识别可被认为是对所考虑的组件的输入的特定元件的全部信号（例如，它将识别在组串箱处记录的输出电流、电压和功率，作为对逆变器DC/DC升压器级的输入）。如果没有输入信号可用于给定组件，则将气候信号作为输入。这样，信号被映射到装置1中的每个元件的输入和输出，允许创建装置1中的全部可能的输入-输出关系的列表。
为了说明这个概念，并且参照图2，让我们来考虑由第一太阳能逆变器12和第二太阳能逆变器13组成的装置的示例。第一太阳能逆变器12包含DC/AC逆变器14以及两个逆变器DC/DC升压器级15和16。类似地，第二太阳能逆变器13包含DC/AC逆变器17以及两个逆变器DC/DC升压器级18和19。第一太阳能逆变器12的第一DC/DC升压器级15连接到三个组串箱20、21、22，所述三个组串箱20、21、22又各自连接到各自具有十个面板24的十二个组串23。尽管在图2中未描绘，但是其他逆变器DC/DC升压器级15、18和19也类似地连接到面板。另外，装置结合了气象站25。装置经由图3中未描绘的附加元件组成的装置电网连接26来连接到电网。在这个示例中，假定装置是连接电网的，但是它也能够可适用于离网或者孤立装置，例如具有太阳能PV的微电网。图3中，连接到SCADA系统的现场设备的位置被突出显示为黑色菱形。让我们假定我们在经清理的历史SCADA数据中有以下可用信号：
Figure 721395DEST_PATH_IMAGE001
由现场设备27测量的对电网的AC功率输出
由现场设备28测量的从来自第一太阳能逆变器12的第一DC/DC升压器级14的DC功率输出
Figure 302604DEST_PATH_IMAGE003
由现场设备29测量的从来自第一太阳能逆变器12的第二DC/DC升压器级15的DC功率输出
由现场设备30测量的从来自第二太阳能逆变器13的第一DC/DC升压器级17的DC功率输出
Figure 135747DEST_PATH_IMAGE003
由现场设备31测量的从来自第一太阳能逆变器13的第二DC/DC升压器级18的DC功率输出
Figure 488231DEST_PATH_IMAGE003
由现场设备32测量的来自气象站的水平辐照度
由现场设备32测量的来自气象站的环境温度
首先，通过分析每个标签，确立哪些组件具有与其关联的功率输出信号。要注意，在这个示例中，只给出了功率作为输出信号，但是可同样考虑其他信号。在这个步骤之后，将认识到功率输出信号是可从以下项得到的：
Figure 931031DEST_PATH_IMAGE003
来自第一太阳能逆变器12的第一DC/DC升压器级14
Figure 351648DEST_PATH_IMAGE003
来自第一太阳能逆变器12的第二DC/DC升压器级15
Figure 824218DEST_PATH_IMAGE003
来自第二太阳能逆变器13的第一DC/DC升压器级17
Figure 937667DEST_PATH_IMAGE003
来自第二太阳能逆变器13的第二DC/DC升压器级18
Figure 862898DEST_PATH_IMAGE003
装置电网连接26
这指示可潜在地使用包含在经清理的历史SCADA数据内的数据来对装置中的哪些组件进行建模（即，输入-输出关系对于哪些组件存在）。系统还能够识别逆变器DC/DC升压器级数据电连接在发电源（即，太阳）与装置电网连接之间。接下来，开始于最靠近地电连接到发电源的组件，识别对于每个组件可用的信号。开始于“来自第一太阳能逆变器12的第一DC/DC升压器级14”组件，识别“由现场设备28测量的从来自第一太阳能逆变器12的第一DC/DC升压器级14的DC功率输出”信号可用作该组件的输入-输出关系的输出。系统还认识到不存在可用作组件的输入-输出关系中的输入的、在更靠近地电连接到发电源的组件处测量的信号。因此，由现场设备32测量的来自气象站的水平辐照度以及由现场设备32测量的来自气象站的环境温度信号被指派为对组件的输入-输出关系的输入。系统还认识到输入-输出关系不仅描述“来自第一太阳能逆变器12的第一DC/DC升压器级14”组件的操作，而且还描述气候输入与“由现场设备28测量的从来自第一太阳能逆变器12的第一DC/DC升压器级14的DC功率输出”之间的全部连接组件（即，组串箱20、21和22、组串23以及面板24）的操作。因此，输入-输出关系描述连接组件的子系统。这在图4中被图示。
还将对装置中的其他DC/DC升压器级创建类似输入-输出关系。当系统移至考虑“装置电网连接26”的输入-输出关系时，它会认识到来自各种逆变器DC/DC升压器级的DC功率输出信号能够用作对输入-输出关系的输入，以及对电网的AC功率输出能够用作输入-输出关系的输出。这在图5中被图示。在这个说明性示例中，系统将识别描述装置的五个输入-输出关系（四个DC/DC升压器级以及到电网的一个“装置”连接）。这样，该算法能够将每个装置的输入-输出关系建立成可用数据可允许的最大可能粒度。
步骤S3的输出是装置1中的输入-输出关系的列表，其描述可用来创建装置1内的子系统的数据驱动模型的输入和输出。装置1中的输入-输出关系的列表和经清理的历史SCADA数据用作对步骤S4的输入。在模型构造9子模块中执行步骤S3。
步骤S4
在步骤S4，根据从步骤S2可得到的经清理的历史SCADA数据来优化装置1中的输入-输出关系的列表。具体来说，这个步骤的目标是使可用于装置1中的输入-输出关系的每个集合的良好质量训练数据的量最大化。系统首先将所选择的输入-输出关系的数据的总可用性确立为其中输入-输出关系的全部输入和输出信号是“良好”的总天数与经清理的历史SCADA数据的开始日期和经清理的历史SCADA数据的结束日期之间的总天数的比率。如果所选择的输入-输出关系的数据的总可用性的值大于阈值，则算法判定所选择的输入-输出关系无需被优化。阈值能够取任何值，但是代表值为0.5，并且这是缺省值。如果所选择的输入-输出关系的数据的总可用性的值低于阈值，则系统继续进行去除具有最大数量的缺失数据点的输入，并且重新评估所选择的输入-输出关系的数据的总可用性。如果所选择的输入-输出关系的数据的总可用性的新值这时大于阈值，则对这个所选择的输入-输出关系停止优化过程，并且系统继续进行优化下一输入-输出关系。如果所选择的输入-输出关系的数据的总可用性的新值仍然低于阈值，则系统继续进行去除具有下一最大数量的缺失数据点的输入，并且重新评估所选择的输入-输出关系的数据的总可用性。这个过程继续直到所选择的输入-输出关系的数据的总可用性大于阈值。如果不可能优化所选择的输入-输出关系的输入和输出以使得‘模型可用性’超过阈值，则从输入-输出关系的列表中去除所选择的输入-输出关系。步骤S4的输出是优化的输入-输出关系的列表。在模型构造9子模块中执行步骤S4。优化的输入-输出关系的列表被提供给数据驱动训练10子模块。
步骤S5
在步骤S5，基于优化输入-输出关系和经清理的历史SCADA数据，训练一个或多个数据驱动模型，其中每个经训练的数据驱动模型表示装置1内的一个或多个子系统。本领域的技术人员将认识到，可应用多个其他方法，以便构建数据驱动模型，包括例如人工神经网络、高斯过程或基于回归的参数估计。在优选实施例中，选择了人工神经网络方法用于对输入与输出之间的关系进行建模，但是应当注意，同样可利用其他数据驱动方法，而没有超出本发明的范围。可选地，最终用户可经由用户界面11来提供参数集合P2。参数集合P2由控制数据驱动模型的结构和训练的参数列表组成。备选地，可利用缺省值。例如，考虑人工神经网络的优选实施例，可考虑下列训练参数：
Figure 634676DEST_PATH_IMAGE003
隐含层的数量。作为缺省，每个人工神经网络将具有单个隐含层。用户可经由可选参数集合P2来选择不同数量的隐含层。
Figure 696173DEST_PATH_IMAGE001
隐含层神经元的数量。作为缺省，每个隐含层中的神经元的数量设置成等于输入的数量。用户可经由可选参数集合P2来选择每个隐含层中的不同数量的神经元。
Figure 980524DEST_PATH_IMAGE001
历元（epoch）的最大数量。当考虑其中信息仅从输入传递给输出的前馈网络时，因以下事实而出现挑战：隐含层的目标值是未知的（因此难以评估在每个神经元处的误差，并且因此难以识别如何更新突触权重）。为了解决这个问题，能够采用反向传播学习算法（其将模式从输入传播到输出以及将误差从输出传播回到输入）。前向传播和后向传播合起来称作历元。这是算法应当执行的历元的最大数量。作为缺省，历元的最大数量可设置为2000，但是用户可经由可选参数集合P2来改变这个数量。
在训练过程期间，诸如Levenberg-Marquardt或梯度下降之类的训练算法用来更新人工神经网络的权重，使得它将从一个或多个输入估计输出。还可利用诸如提早停止或高级的权重初始化技术之类的现有技术中已知的标准方法。在优选实施例中，使用在步骤S2提供的经清理的历史SCADA数据中可用的数据，基于优化输入-输出关系来训练人工神经网络。作为步骤s5的输出，一个或多个经训练的数据驱动模型被提供给步骤s6。在数据驱动训练子模块o10中执行步骤S5。
步骤S6
在步骤s6，计算指示当经清理的历史SCADA数据用作输入时的一个或多个经训练的数据驱动模型的输出与从经清理的历史SCADA数据得到的等效测量值之间的差异的一个或多个度量。对于给定样本k，对于经训练的数据驱动模型i，示例度量F可被给出为
Figure 393050DEST_PATH_IMAGE004
，
其中y*i,k是在样本k的模型i的估计输出，以及yi,k是在同一样本的等效测量输出。这个度量提供关于所建模的行为与所测量的行为之间的瞬时差异的信息。如果假定仅使用健康数据来训练我们的模型，则度量的任何增加将指示实际系统正在偏离标称健康性能。当偏差大于某个阈值时，可向最终用户指示故障告警。本领域的技术人员将认识到，还可计算比较当经清理的历史SCADA数据用作输入时的一个或多个经训练的数据驱动模型的输出和从经清理的历史SCADA数据得到的等效测量值的其他度量。另外，在这一阶段，可应用例如使用移动平均滤波器的附加后处理。
对于经训练的数据驱动模型i的每个度量Fi，系统自动设置警报阈值，该警报阈值如果度量超过的话则将指示故障。在特定实施例中，系统通过使用核密度估计（KDE）（P. -P. Odiowei和Y. Cao，“Nonlinear dynamic process monitoring using canonicalvariate analysis and kernel density estimations,”Computer Aided ChemicalEngineering, vol. 27, no. C, pp. 1557-1562）实现拟合概率密度函数（PDF），所述概率密度函数（PDF）描述度量的特定值将被观测到的概率。这些PDF随后用来定义警报阈值。作为缺省，设置警报阈值，使得对于训练周期，对于经训练的数据驱动模型i，度量的全部值中的99.9%具有低于警报阈值的值。用户可以可选地经由可选参数集合P3来改变警报阈值，经由用户界面11传递可选参数集合P3。因此，如果希望的话，用户能够选择使算法对装置中的某些故障更加敏感或者不太敏感（例如关键组件相比于较不关键组件可具有较低的警报阈值）。作为步骤S6的输出，所计算的警报阈值被指派给关联的一个或多个经训练的数据驱动模型。作为结果的经训练的数据驱动模型保存在数据存储设备中并且在步骤S7中被使用。在数据驱动训练10子模块中执行步骤S6。
步骤S7
在步骤S7，从连接到装置1的SCADA系统2获取新数据。在这里，新数据可指示对于系统中的每个信号的实时数据或最近存储的数据样本。该新SCADA数据用作对步骤S8的输入。步骤S7由计算机设备3中的通信模块4来执行。新SCADA数据被提供给数据处理单元5的状况评价模块7。
步骤S8
在步骤S8，新SCADA数据被输入到来自步骤S6的一个或多个经训练的数据驱动模型，以便得到每个经训练的数据驱动模型的新的模型输出。具体来说，以新SCADA数据用作输入来运行所述经训练的数据驱动模型，将得到特定经训练的数据驱动模型的新的模型输出。计算指示每个经训练的数据驱动模型的新的模型输出与从新SCADA数据得到的等效测量值之间的差异的一个或多个度量。虽然使用新SCADA数据，在步骤S9进行与在步骤S6进行的相同的计算。新SCADA数据的一个或多个度量值用作对步骤S9的输入。在状况评价模块7中执行步骤S8。
步骤S9
在步骤S9，将新SCADA数据的一个或多个度量值的值与在步骤S6计算的关联的警报阈值进行比较。如果新SCADA数据的一个或多个度量值的值超过在步骤S6计算的关联的警报阈值，则系统移至步骤S10，否则系统移至步骤S11。在状况评价模块7中执行步骤S9。
步骤S10
如果在前述步骤S9中，新SCADA数据的一个或多个度量值的值超过在步骤S6计算的关联的警报阈值，则经由用户界面11向最终用户指示警报。此外，将由与根据步骤S1-S5的经训练的数据驱动模型关联的一个或多个元件组成的子系统强调为呈现异常行为。
步骤S11
在步骤S12，组合所述数据的结果被存储在数据存储模块的存储器中。
发明方法的第二实施例，其中计算机设备3和全部关联的子模块可跨作为云计算系统的一部分的一系列计算设备来被实现。这在图6中被图示，图6与图1相同，除了如下事实之外：云33已经取代计算机设备3，强调可位于云计算解决方案的云中的功能模块和子模块4-10。
根据先前实施例的本发明的使用，其中基于在步骤S11存储的新SCADA数据的一个或多个度量值的历史值来预报新SCADA数据的一个或多个度量值的将来值。在一个此类实施例中，使用在现有技术中已知的回归技术将一个或多个多项式拟合到一个或多个度量值的历史值，以便确立度量值如何随时间而改变。一个或多个拟合多项式用于预报一个或多个度量值的将来值。本领域的技术人员将会认识到，存在用于预报信号的未来值的一系列方法，诸如自回归整合移动平均（ARIMA）模型、比例风险模型或递归神经网络。经由用户界面11向最终用户指示一个或多个度量值的所预报的将来值。如果度量的所预报的将来值超过关联的阈值，则经由用户界面11向最终用户指示度量超过其关联的阈值的估计时间与当前时间之间的差。
根据先前实施例的本发明的另外的使用，其中识别新SCADA数据的一个或多个度量值的趋势以便跟踪装置1中的一个或多个组件的降级。在一个此类实施例中，使用在现有技术中已知的回归技术将一个或多个线性多项式拟合到一个或多个度量值的历史值，以便确立度量值如何随时间而改变。经由用户界面11向最终用户指示一个或多个拟合线性多项式的一阶项，其可被看作是与根据步骤S1-S5的经训练的数据驱动模型关联的一个或多个元件的降级或改进的指示。

Claims (14)

1.一种用于监测可再生发电装置或微电网（1）内的子系统的状况的方法，包括下列步骤：
- （步骤S1）获取历史数据，所述历史数据先前已经由连接到作为所述装置或微电网（1）的监视控制和数据获取（SCADA）系统的一部分使用的多个输入输出设备的一个或多个现场设备测量，
- （步骤S2）从所述获取的历史数据去除不需要的数据，以得到经清理的历史SCADA数据，其特征在于还包括下列步骤：
- （步骤S3）使用所述经清理的历史SCADA数据来识别所述装置或微电网的每个子系统的输入-输出数据关系，其中给定子系统的输入-输出数据关系是包含在所述经清理的历史SCADA数据内的被看作所述子系统的输入的全部信号的列表以及包含在所述经清理的历史SCADA数据内的被看作同一子系统的输出的全部信号的列表，
- （步骤S4）选择确保每个输入-输出数据关系的经清理的历史SCADA数据的可用性超过给定阈值的所述经清理的历史SCADA数据内的输入-输出数据关系的组合，
- （步骤S5）使用所述经清理的历史SCADA数据来训练用于所述装置或微电网的每个子系统的独立数据驱动模型，其中每个经训练的数据驱动模型被优化以能够从对所述子系统的所述输入来估计所述子系统的所述输出，其中通过所述输入-输出数据关系来描述所述子系统的所述输入和输出，
- （步骤S6）确立每个经训练的数据驱动模型的警报阈值，
- （步骤S7）从连接到作为所述装置或微电网的监视控制和数据获取（SCADA）系统的一部分使用的多个输入输出设备的所述一个或多个现场设备获取新数据，
- （步骤S8）把所述新数据输入到所述一个或多个经训练的数据驱动模型，以便得到每个经训练的数据驱动模型的新的模型输出，所述新数据来自连接到作为所述装置或微电网的监视控制和数据获取（SCADA）系统的一部分使用的多个输入输出设备的所述一个或多个现场设备，
- （步骤S9）计算指示每个经训练的数据驱动模型的所述新的模型输出与从所述新数据得到的等效测量值之间的差异的一个或多个度量，所述新数据来自连接到作为所述装置或微电网的监视控制和数据获取（SCADA）系统的一部分使用的多个输入输出设备的所述一个或多个现场设备，
- （步骤S10）识别所述一个或多个度量是否超过它们的关联的警报阈值，以及如果是的话，则经由人机接口向最终用户指示警报，
- （步骤S11）在处理器单元的存储器中存储组合所述数据的结果，以用于估计度量的将来值，或者用于估计度量的将来值何时超过阈值，或者用于估计所述装置或微电网的每个子系统的降级。
2.根据权利要求1所述的方法，其特征在于所述子系统被定义为所述装置或微电网内的一个或多个连接组件，所述一个或多个连接组件针对均存在于所述经清理的历史SCADA内的被看作所述子系统的输入的信号以及被看作所述子系统的输出的信号。
3.根据权利要求2所述的方法，其特征在于所述子系统是所述装置或微电网内的单独组件或者连接组件的集合。
4.根据权利要求1所述的方法，其特征在于用于所述装置或微电网的每个子系统的所述独立数据驱动模型是人工神经网络。
5.根据权利要求1所述的方法，其特征在于所述装置或微电网是光伏装置。
6.根据权利要求1所述的方法，其特征在于所述装置或微电网是风力发电场。
7.根据权利要求1所述的方法，其特征在于使用专家系统来执行识别所述装置或微电网的每个子系统的输入-输出数据关系的所述步骤（S3）。
8.根据权利要求1所述的方法，其特征在于跨作为云计算系统的一部分的一系列计算设备来实现计算机设备（3）和全部关联的子模块。
9.根据权利要求1所述的方法，其特征在于在步骤S11存储的所述新SCADA数据的所述一个或多个度量值的所述历史值用于估计度量的将来值。
10.根据权利要求1所述的方法，其特征在于在步骤S11存储的所述新SCADA数据的所述一个或多个度量值的所述历史值用来估计度量的将来值何时超过阈值。
11.根据权利要求1所述的方法，其特征在于在步骤S11存储的所述新SCADA数据的所述一个或多个度量值的所述历史值用来估计所述装置或微电网的每个子系统的降级。
12.一种用于监测可再生发电装置或微电网（1）内的子系统的状况的计算机程序产品，所述计算机程序产品配备有在与监视控制和数据获取（SCADA）系统相连接的计算机设备（3）的数据处理器（6）中实现的功能模块（8，9，10），所述计算机设备（3）和所述监视控制和数据获取（SCADA）系统两者与所述可再生发电装置或微电网（1）的多个现场设备相连接，所述计算机程序产品使用下列步骤：
- （步骤S1）获取历史数据，所述历史数据先前已经由连接到作为所述装置或微电网（1）的监视控制和数据获取（SCADA）系统的一部分使用的多个输入输出设备的一个或多个现场设备测量，
- （步骤S2）从所述获取的历史数据去除不需要的数据，以得到经清理的历史SCADA数据，
其特征在于还包括下列步骤：
- （步骤S3）使用所述经清理的历史SCADA数据来识别所述装置或微电网的每个子系统的输入-输出数据关系，其中给定子系统的输入-输出数据关系是包含在所述经清理的历史SCADA数据内的被看作所述子系统的输入的全部信号的列表以及包含在所述经清理的历史SCADA数据内的被看作同一子系统的输出的全部信号的列表，
- （步骤S4）选择确保每个输入-输出数据关系的经清理的历史SCADA数据的可用性超过给定阈值的所述经清理的历史SCADA数据内的输入-输出数据关系的组合，
- （步骤S5）使用所述经清理的历史SCADA数据来训练用于所述装置或微电网的每个子系统的独立数据驱动模型，其中每个经训练的数据驱动模型被优化以能够从对所述子系统的所述输入来估计所述子系统的所述输出，其中通过所述输入-输出数据关系来描述所述子系统的所述输入和输出，
- （步骤S6）确立每个经训练的数据驱动模型的警报阈值，
- （步骤S7）从连接到作为所述装置或微电网的监视控制和数据获取（SCADA）系统的一部分使用的多个输入输出设备的所述一个或多个现场设备获取新数据，
- （步骤S8）把所述新数据输入到所述一个或多个经训练的数据驱动模型，以便得到每个经训练的数据驱动模型的新的模型输出，所述新数据来自连接到作为所述装置或微电网的监视控制和数据获取（SCADA）系统的一部分使用的多个输入输出设备的所述一个或多个现场设备，
- （步骤S9）计算指示每个经训练的数据驱动模型的所述新的模型输出与从所述新数据得到的等效测量值之间的差异的一个或多个度量，所述新数据来自连接到作为所述装置或微电网的监视控制和数据获取（SCADA）系统的一部分使用的多个输入输出设备的所述一个或多个现场设备，
- （步骤S10）识别所述一个或多个度量是否超过它们的关联的警报阈值，以及如果是的话，则经由人机接口向最终用户指示警报，
- （步骤S11）在处理器单元的存储器中存储组合所述数据的结果，以用于估计度量的将来值，或者用于估计度量的将来值何时超过阈值，或者用于估计所述装置或微电网的每个子系统的降级。
13.根据权利要求12所述的计算机程序产品，其特征在于使用专家系统来执行识别所述装置或微电网的每个子系统的输入-输出数据关系的所述步骤（S3）。
14.根据权利要求12所述的计算机程序产品，其特征在于跨作为云计算系统的一部分的一系列计算设备来实现所述计算机设备（3）和全部关联的子模块。
CN201880038516.1A 2017-04-10 2018-02-28 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 Active CN110709789B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17460021.3A EP3388910A1 (en) 2017-04-10 2017-04-10 Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid
EP17460021.3 2017-04-10
PCT/EP2018/000082 WO2018188774A1 (en) 2017-04-10 2018-02-28 Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid

Publications (2)

Publication Number Publication Date
CN110709789A true CN110709789A (zh) 2020-01-17
CN110709789B CN110709789B (zh) 2024-05-31

Family

ID=58664627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880038516.1A Active CN110709789B (zh) 2017-04-10 2018-02-28 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备

Country Status (6)

Country Link
US (1) US11604461B2 (zh)
EP (2) EP3388910A1 (zh)
CN (1) CN110709789B (zh)
AU (1) AU2018251134B2 (zh)
ES (1) ES2963926T3 (zh)
WO (1) WO2018188774A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11487994B2 (en) * 2018-07-19 2022-11-01 Sacramento Municipal Utility District Techniques for estimating and forecasting solar power generation
EP3648279B1 (en) 2018-10-30 2021-12-01 Schleswig-Holstein Netz AG Method, electrical grid and computer program product for predicting overloads in an electrical grid
AT16973U1 (zh) * 2019-06-05 2021-01-15 Siemens Ag
CN112581311B (zh) * 2020-12-11 2022-05-17 东北电力大学 一种多风电场聚合后出力长期波动特性预测方法及系统
CN114665608B (zh) * 2022-05-19 2022-10-11 国网智能科技股份有限公司 用于变电站的智能感知巡检系统及方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1740934A (zh) * 2004-08-27 2006-03-01 株式会社日立制作所 生产管理系统
CN101110155A (zh) * 2007-08-27 2008-01-23 北京交通大学 基于数据融合模式识别的嵌入式故障智能诊断装置及方法
CN101482750A (zh) * 2009-02-06 2009-07-15 北京矿冶研究总院 湿法冶金合成过程草酸钴粒度预测方法
CN102707708A (zh) * 2012-05-25 2012-10-03 清华大学 多模型飞行控制系统故障诊断方法及装置
CN102768115A (zh) * 2012-06-27 2012-11-07 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
CN103078690A (zh) * 2013-01-09 2013-05-01 中国电子科技集团公司第二十二研究所 一种用于广播电视系统覆盖场强估算的修正方法
CN103323772A (zh) * 2012-03-21 2013-09-25 北京光耀能源技术股份有限公司 基于神经网络模型的风力发电机运行状态分析方法
US20140172503A1 (en) * 2012-12-14 2014-06-19 Battelle Memorial Institute Transactive control and coordination framework and associated toolkit functions
CN103901298A (zh) * 2014-03-13 2014-07-02 广东电网公司电力科学研究院 变电站设备运行状态的检测方法与系统
CN104376389A (zh) * 2014-12-10 2015-02-25 国电南京自动化股份有限公司 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN104614179A (zh) * 2015-01-28 2015-05-13 中国大唐集团新能源股份有限公司 一种风电机组齿轮箱状态监测方法
CN105262113A (zh) * 2015-11-26 2016-01-20 国网河南省电力公司平顶山供电公司 基于概率模糊神经网络的光伏发电系统无功控制方法
WO2016086360A1 (en) * 2014-12-02 2016-06-09 Abb Technology Ltd Wind farm condition monitoring method and system
CN106130055A (zh) * 2016-06-30 2016-11-16 Abb瑞士股份有限公司 高压直流输电系统的变功率控制系统及其方法
CN106485748A (zh) * 2015-08-25 2017-03-08 达索系统美国公司 用于数字人体模型的视觉测量的方法和系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5450527A (en) * 1993-09-30 1995-09-12 Motorola, Inc. Method for converting an existing expert system into one utilizing one or more neural networks
US6954713B2 (en) * 2001-03-01 2005-10-11 Fisher-Rosemount Systems, Inc. Cavitation detection in a process plant
CN102591880B (zh) * 2011-01-14 2015-02-18 阿里巴巴集团控股有限公司 信息提供方法及装置
US8452461B2 (en) 2011-05-10 2013-05-28 First Solar, Inc Control system for photovoltaic power plant
CN102566435B (zh) 2012-02-17 2013-10-02 冶金自动化研究设计院 一种光伏电站的性能预报及故障报警方法
US20140188410A1 (en) 2012-12-28 2014-07-03 Locus Energy, Llc Methods for Photovoltaic Performance Disaggregation
FR3028114B1 (fr) 2014-11-03 2016-12-23 Commissariat Energie Atomique Procede de diagnostic d'un systeme photovoltaique
EP3221579B1 (en) 2014-11-18 2023-03-29 Hitachi Energy Switzerland AG Wind turbine condition monitoring method and system
US10903778B2 (en) * 2014-12-18 2021-01-26 Eaton Intelligent Power Limited Apparatus and methods for monitoring subsea electrical systems using adaptive models
CN104571099B (zh) 2015-01-26 2017-05-24 北京国能日新系统控制技术有限公司 基于理论计算和数据分析的光伏故障诊断系统和诊断方法
US10287988B2 (en) * 2015-03-27 2019-05-14 General Electric Company Methods and systems for enhancing operation of power plant generating units and systems
US10443577B2 (en) * 2015-07-17 2019-10-15 General Electric Company Systems and methods for improved wind power generation
WO2017035629A1 (en) * 2015-08-31 2017-03-09 Green Power Labs Inc. Method and system for solar power forecasting
CN105071771A (zh) 2015-09-08 2015-11-18 河海大学常州校区 一种基于神经网络的分布式光伏系统故障诊断方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1740934A (zh) * 2004-08-27 2006-03-01 株式会社日立制作所 生产管理系统
CN101110155A (zh) * 2007-08-27 2008-01-23 北京交通大学 基于数据融合模式识别的嵌入式故障智能诊断装置及方法
CN101482750A (zh) * 2009-02-06 2009-07-15 北京矿冶研究总院 湿法冶金合成过程草酸钴粒度预测方法
CN103323772A (zh) * 2012-03-21 2013-09-25 北京光耀能源技术股份有限公司 基于神经网络模型的风力发电机运行状态分析方法
CN102707708A (zh) * 2012-05-25 2012-10-03 清华大学 多模型飞行控制系统故障诊断方法及装置
CN102768115A (zh) * 2012-06-27 2012-11-07 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
US20140172503A1 (en) * 2012-12-14 2014-06-19 Battelle Memorial Institute Transactive control and coordination framework and associated toolkit functions
CN103078690A (zh) * 2013-01-09 2013-05-01 中国电子科技集团公司第二十二研究所 一种用于广播电视系统覆盖场强估算的修正方法
CN103901298A (zh) * 2014-03-13 2014-07-02 广东电网公司电力科学研究院 变电站设备运行状态的检测方法与系统
WO2016086360A1 (en) * 2014-12-02 2016-06-09 Abb Technology Ltd Wind farm condition monitoring method and system
CN104376389A (zh) * 2014-12-10 2015-02-25 国电南京自动化股份有限公司 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN104614179A (zh) * 2015-01-28 2015-05-13 中国大唐集团新能源股份有限公司 一种风电机组齿轮箱状态监测方法
CN106485748A (zh) * 2015-08-25 2017-03-08 达索系统美国公司 用于数字人体模型的视觉测量的方法和系统
CN105262113A (zh) * 2015-11-26 2016-01-20 国网河南省电力公司平顶山供电公司 基于概率模糊神经网络的光伏发电系统无功控制方法
CN106130055A (zh) * 2016-06-30 2016-11-16 Abb瑞士股份有限公司 高压直流输电系统的变功率控制系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姚建刚: "《滨海区域综合承载力理论与实践研究》", 中国矿业大学出版社, pages: 138 *

Also Published As

Publication number Publication date
US20200044449A1 (en) 2020-02-06
EP3610341C0 (en) 2023-08-30
US11604461B2 (en) 2023-03-14
WO2018188774A1 (en) 2018-10-18
ES2963926T3 (es) 2024-04-03
AU2018251134A1 (en) 2019-10-31
AU2018251134B2 (en) 2022-11-17
EP3610341B1 (en) 2023-08-30
EP3610341A1 (en) 2020-02-19
CN110709789B (zh) 2024-05-31
EP3388910A1 (en) 2018-10-17

Similar Documents

Publication Publication Date Title
CN110709789B (zh) 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备
Compare et al. Challenges to IoT-enabled predictive maintenance for industry 4.0
Helbing et al. Deep Learning for fault detection in wind turbines
Dao et al. Condition monitoring and fault detection in wind turbines based on cointegration analysis of SCADA data
Lapira et al. Wind turbine performance assessment using multi-regime modeling approach
Gonzalez et al. On the use of high-frequency SCADA data for improved wind turbine performance monitoring
US9141915B2 (en) Method and apparatus for deriving diagnostic data about a technical system
Butler et al. Exploiting SCADA system data for wind turbine performance monitoring
CN109298697A (zh) 基于动态基线模型的火电厂系统各部件工作状态评估方法
Kumaraguru et al. Integrating real-time analytics and continuous performance management in smart manufacturing systems
Ferreira et al. Probabilistic ramp detection and forecasting for wind power prediction
Sanz-Bobi et al. Intelligent system for a remote diagnosis of a photovoltaic solar power plant
US11657148B2 (en) Event analysis in an electric power system
Pandit et al. Performance assessment of a wind turbine using SCADA based Gaussian Process model
KR20220089853A (ko) 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법
Wagner et al. An overview of useful data and analyzing techniques for improved multivariate diagnostics and prognostics in condition-based maintenance
Al-Dahidi et al. A novel fault detection system taking into account uncertainties in the reconstructed signals
Spiliotis et al. Tracking the performance of photovoltaic systems: a tool for minimising the risk of malfunctions and deterioration
EP3303835B1 (en) Method for windmill farm monitoring
Zhang Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data
Uluyol et al. Multi-turbine associative model for wind turbine performance monitoring
Mazidi From condition monitoring to maintenance management in electric power system generation with focus on wind turbines
Ferrero Bermejo et al. A CPS for Condition Based Maintenance Based on a Multi-agent System for Failure Modes Prediction in Grid Connected PV Systems
Rajaoarisoa et al. Predictive maintenance model-based on multi-stage neural network systems for wind turbines
Shcherbatov Current state of predictive analytics systems development in the energy sector

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Swiss Baden

Applicant after: ABB Switzerland Co.,Ltd.

Applicant after: Hitachi energy Switzerland AG

Address before: Swiss Baden

Applicant before: ABB Switzerland Co.,Ltd.

Applicant before: ABB grid Switzerland AG

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220505

Address after: Swiss Baden

Applicant after: ABB Switzerland Co.,Ltd.

Applicant after: ABB grid Switzerland AG

Address before: Swiss Baden

Applicant before: ABB Switzerland Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240416

Address after: Swiss Baden

Applicant after: ABB Switzerland Co.,Ltd.

Country or region after: Switzerland

Applicant after: Hitachi Energy Co.,Ltd.

Address before: Swiss Baden

Applicant before: ABB Switzerland Co.,Ltd.

Country or region before: Switzerland

Applicant before: Hitachi energy Switzerland AG

GR01 Patent grant
GR01 Patent grant